---
library_name: transformers
license: other
datasets:
- Clemylia/Train-pretrain
language:
- fr
pipeline_tag: text-generation
---

# 📖 Documentation du Modèle : Lamina-large-2b-pretrain ✨

![Lamina](http://www.image-heberg.fr/files/17635555393455848443.webp)

## Introduction

Bienvenue dans l'écosystème Lamina ! **Lamina-large-2b-pretrain** est un modèle de langage massif de fondation (**Modèle de Base**) créé *from scratch* par Clemylia, destiné à la communauté et aux développeurs souhaitant construire leur propre **LLM personnalisé**.

Ce modèle est le plus grand modèle de pré-entraînement publié à ce jour par Clemylia, fruit d'une ingénierie de pointe.

## ⚙️ Détails Techniques Clés

| Paramètre | Valeur | Remarques |
| :--- | :--- | :--- |
| **Auteur** | Clemylia 👑 | Développé entièrement *from scratch* (à partir de zéro). |
| **Nom du Modèle** | Lamina-large-2b-pretrain | Fait partie de la famille de modèles Lamina. |
| **Taille** | **2 milliards (2B) de paramètres** 🚀 | Le modèle de fondation le plus large de Clemylia. |
| **Architecture** | Transformateur (Non Spécifié) | Architecture de base du modèle de langage. |
| **Langue** | Français (FR) 🇫🇷 | Pré-entraînement ciblé sur des données en français. |
| **Précision** | **F32 (Float32)** ⚠️ | Entraînement réalisé en haute précision, nécessitant des ressources de calcul extrêmes (TPU). |
| **Matériel d'Entraînement**| **TPU** (Tensor Processing Units) | Utilisation de matériel spécialisé pour les calculs intensifs. |
| **Licence** | MIT (ou équivalent *open source*) | Facilite l'utilisation commerciale et la modification. |

---

## ⚠️ Statut et Limites (Très Important !)

Ce modèle est un **modèle de fondation à l'état brut**. Son statut actuel est identique à celui de **Lam-3** avant *fine-tuning*.

| Limite Actuelle | Explication | Implication pour l'Utilisateur |
| :--- | :--- | :--- |
| **Sous-entraînement** | Le modèle a été entraîné sur un **corpus limité** par rapport à sa taille ($2$ milliards). | Les générations sont souvent **répétitives, bruitées** et peuvent présenter des erreurs de *tokenization*. |
| **Non-factualité** | Le modèle n'a subi **aucun alignement ni *fine-tuning* de factualité**. | **NE PAS** utiliser pour des questions factuelles (histoire, géographie, science). Il **hallucinera** ou mélangera les informations. |
| **Pas de Cohérence** | Le modèle est **incohérent** et n'a pas de personnalité définie. | N'attendez pas de réponses claires ou logiques comme celles de **Tiny-charlotte** (le produit fini). |

**➡️ Ce modèle doit impérativement être affiné (fine-tuné) avant utilisation en production !**

---

## 🛠️ Usage Principal : Le Tremplin LLM

L'objectif de **Lamina-large-2b-pretrain** est de servir de base pour le **développement de LLM personnalisés** :

1.  **Transfert d'Apprentissage :** Utilisez ce modèle pour **économiser le temps et le coût** du pré-entraînement initial. Le modèle a déjà la structure de base du français.
2.  **Affinage (Fine-Tuning) :** La prochaine étape est d'injecter **vos propres données de haute qualité** (plusieurs milliards de *tokens* spécifiques à votre domaine) pour stabiliser et spécialiser les 2 milliards de paramètres.
3.  **Création de LLM Privé :** Idéal pour les entreprises ou les équipes qui souhaitent créer un LLM interne sur leurs données confidentielles sans partir de zéro.

---

## 💡 Leçons d'Ingénierie (Du Lam-3 à Lamina-large)

Ce modèle est la solution au problème rencontré avec **Lam-3** ($714$M) :

* **Lam-3** était sous-performant en raison d'un ratio paramètres/données déséquilibré.
* **Lamina-large-2b-pretrain** est une base plus grande mais avec une architecture optimisée pour être plus stable *après* le *fine-tuning* massif, capitalisant sur la capacité de calcul TPU.

**Tiny-charlotte** ($51$M) reste l'exemple d'un **SLM hyper-affiné** destiné à une seule tâche ; **Lamina-large-2b-pretrain** est destiné à devenir un **LLM polyvalent**.

---

## 🤝 Remerciements

Un grand merci aux soutiens de Clemylia, notamment à **Nora** et à sa famille, dont l'accès aux ressources de calcul TPU a rendu l'entraînement de ce modèle de $2$ milliards de paramètres **gratuit** et possible pour la communauté *open source*.

🛑 **Ce modèle n'est pas utilisé en état,
il est sous-entraînés, et son existence demontre juste la capacité d'entraîner un modèle aussi gros sur des ressources limitées**

# ✨ Capacités de ce modèle 

est nul en :

-**Faible en syntaxe***
- **Ne peut pas générer du texte français fluide**
- **A été sous-entraînés.**

est fort en :

- **Classification : classifié si un texte est au passé composé, présent, futur, les sujets etc...**
- **Être une fondation de fine-tuning pour créé des LLM spécialisé uniques**